DOI: https://doi.org/10.1186/s42408-024-00254-2
تاريخ النشر: 2024-03-07
المؤلف: Keval H. Jodhani وآخرون
الموضوع الرئيسي: آثار الحرائق على النظم البيئية
نظرة عامة
تتناول ورقة البحث القضية الملحة للحرائق الغابية في غوجارات، الهند، من خلال تقديم منهجية متقدمة لتقييم قابلية الحرائق. تدمج هذه المنهجية متغيرات بيئية مختلفة—مثل اتجاه المنحدر، الارتفاع، مؤشر الفرق الطبيعي للنباتات (NDVI)، كثافة الصرف، الهطول، ودرجة الحرارة—باستخدام تقنيات التعلم الآلي، وبشكل خاص نموذج انحدار الغابة العشوائية، للتنبؤ بدرجة حرارة سطح الأرض (LST). تستخدم الدراسة محرك جوجل إيرث وبيانات الأقمار الصناعية عالية الدقة لتحليل التغيرات في المناظر الطبيعية قبل وبعد الحرائق الغابية، مما يؤدي إلى خرائط تفصيلية توضح التوزيع الجغرافي لنسب الاحتراق الطبيعية وتوقعات LST. تشير النتائج إلى أن المناطق ذات الأشجار الكثيفة، وخاصة الحدائق الوطنية، هي نقاط ساخنة للحرائق الشديدة، بينما تظهر المناطق المفتوحة وغير الغابية مستويات أقل من الشدة.
تؤكد الخاتمة على ضرورة الكشف السريع عن اللهب النشط وأهمية تقديرات دقة شدة الحرائق لاتخاذ قرارات فعالة في إدارة حرائق الغابات. بينما توفر الدراسة رؤى قيمة حول التوزيع المكاني وشدة حرائق الغابات، فإنها تعترف بالقيود المتعلقة بجودة مجموعات بيانات التدريب والحاجة إلى مزيد من التحقق الميداني. يجب أن تستكشف الأبحاث المستقبلية الأسباب الكامنة وراء حرائق الغابات في المنطقة لتعزيز الفهم واستراتيجيات الإدارة. بشكل عام، تضع الدراسة أساسًا للسياسات المستندة إلى الأدلة التي تهدف إلى الحفاظ على النظام البيئي، وحماية التنوع البيولوجي، وضمان سلامة المجتمع في مواجهة تهديدات الحرائق المرتبطة بتغير المناخ.
مقدمة
تسلط المقدمة الضوء على الدور الحاسم للغابات كمصادر بيئية أساسية، حيث تغطي حوالي ثلث سطح الأرض وتولد حوالي ثلثي أكسجين العالم. على الرغم من أهميتها البيئية، فإن الغابات مهددة بشكل متزايد بسبب تغير المناخ، والأنشطة البشرية، والكوارث الطبيعية، مما يؤدي إلى عواقب وخيمة مثل فقدان التنوع البيولوجي وتأثيرات اقتصادية. في الهند، 55% من الغابات معرضة للحرائق، مما يزيده النمو السكاني وإزالة الغابات، مما يزيد من احتمال حدوث حرائق غابات متكررة. تؤكد الدراسة على الحاجة إلى طرق تنبؤ متقدمة لمعالجة تزايد تكرار وشدة حرائق الغابات، باستخدام تقنيات التعلم الآلي، وخاصة خوارزميات الغابة العشوائية (RF) لتحليل قابلية الحرائق.
تهدف الأبحاث إلى تطوير خريطة قابلية الحرائق لغوجارات، الهند، باستخدام محرك جوجل إيرث (GEE) لدمج مؤشرات بيئية رئيسية مثل درجة حرارة سطح الأرض (LST) ونسبة الاحتراق الطبيعية (NBR). توضح الدراسة نهجًا منهجيًا يتضمن اختيار البيانات، والمعالجة، والرسم البياني لتحديد المناطق المعرضة لخطر حرائق الغابات. من خلال استخدام خوارزمية تعلم آلي جماعية، تسعى الدراسة إلى تقديم رؤى حول العوامل التي تؤثر على حدوث الحرائق وإبلاغ استراتيجيات إدارة الغابات المستدامة. من المتوقع أن تسهم النتائج بشكل كبير في جهود الإدارة البيئية والحفاظ على البيئة في المنطقة، مما يعزز في النهاية مرونة نظم الغابات ضد مخاطر الحرائق.
الطرق
في هذه الدراسة، يتم استخدام منهجية شاملة لتحليل خصائص المناظر الطبيعية وتقييم قابلية الحرائق من خلال متغيرات بيئية مختلفة، بما في ذلك اتجاه المنحدر، الارتفاع، NDVI (مؤشر الفرق الطبيعي للنباتات)، كثافة الصرف، الهطول، ودرجة الحرارة. تبدأ الأبحاث بصيغة جديدة لاشتقاق اتجاه المنحدر وتستخدم تقنيات استشعار عن بعد متقدمة لجمع بيانات الارتفاع، مما يساعد في فهم التغيرات في التضاريس وأنماط الصرف. تعتبر قيم NDVI مهمة بشكل خاص لتقييم صحة النباتات وتحديد المناطق المعرضة لخطر الحرائق.
تدمج الدراسة كثافة الصرف، وهطول الأمطار السنوي من CHIRPS، ودرجة الحرارة في نموذج شامل لتقييم مخاطر الحرائق يشمل العوامل الجوية، والتضاريس، والعوامل المتعلقة بالنباتات. باستخدام صور الأقمار الصناعية من لاندسات، يتم حساب نسبة الاحتراق الطبيعية (NBR) وفرق NBR (dNBR) لقياس شدة تأثير الحرائق على المناظر الطبيعية بشكل كمي. بالإضافة إلى ذلك، يتم استخدام نموذج انحدار الغابة العشوائية للتنبؤ بدرجة حرارة سطح الأرض (LST) بناءً على المتغيرات البيئية المختارة. توضح الخرائط الناتجة التوزيع الجغرافي لـ NBR وdNBR وتوقعات LST، مما يوفر رؤى قيمة حول الأنماط والاتجاهات المكانية المتعلقة بقابلية الحرائق.
النتائج
تشير نتائج تقييم قابلية الحرائق إلى دمج سبعة عوامل حاسمة: الاتجاه، الارتفاع، المنحدر، مؤشر الفرق الطبيعي للنباتات (NDVI)، كثافة الصرف، الهطول، ودرجة الحرارة. تمت معالجة هذه العوامل باستخدام محرك جوجل إيرث (GEE) لاشتقاق مقاييس إضافية، وبشكل خاص نسبة الاحتراق الطبيعية قبل (preNBR) وبعد (postNBR)، بالإضافة إلى درجة حرارة سطح الأرض (LST).
تم استخدام هذه المتغيرات المستمدة، جنبًا إلى جنب مع العوامل الأولية، كمتغيرات إدخال في نموذج الغابة العشوائية لإنشاء خريطة شاملة لقابلية الحرائق. تؤكد النتائج على أهمية هذه العوامل البيئية والمناخية في التنبؤ بقابلية الحرائق، مما يبرز فعالية نهج الغابة العشوائية في هذا السياق.
المناقشة
في هذا القسم، تناقش الأبحاث قابلية الحرائق في غوجارات، الهند، مع التركيز على النظم البيئية المتنوعة في المنطقة وزيادة خطر حرائق الغابات بسبب الظروف المناخية. تستخدم الدراسة أدوات متقدمة مثل محرك جوجل إيرث (GEE) وخوارزميات التعلم الآلي، وخاصة الغابة العشوائية (RF)، لتحليل العوامل البيئية المختلفة التي تؤثر على ديناميات الحرائق. يتم دمج مجموعات بيانات رئيسية، بما في ذلك الاتجاه، الارتفاع، مؤشر الفرق الطبيعي للنباتات (NDVI)، كثافة الصرف، الهطول، ودرجة الحرارة، لتقييم أدوارها في مخاطر الحرائق. على سبيل المثال، يعتبر NDVI مؤشرًا على صحة النباتات، بينما توفر كثافة الصرف رؤى حول محتوى رطوبة التربة، وكلاهما حاسم لفهم قابلية الحرائق.
تستخدم الدراسة نسبة الاحتراق الطبيعية (NBR) وفارقها (dNBR) لتقييم شدة تأثيرات الحرائق على المناظر الطبيعية، مما يكشف عن مناطق فقدان كبير للنباتات. تشير نتائج الأبحاث إلى أن المناطق ذات قيم dNBR الأعلى تتوافق مع أضرار أكبر من الحرائق، وخاصة في شمال شرق غوجارات وساحل سوراشترا. بالإضافة إلى ذلك، تعزز توقعات درجة حرارة سطح الأرض (LST) باستخدام التعلم الآلي الفهم للظروف الحرارية التي تؤثر على قابلية اشتعال النباتات. بشكل عام، يساعد دمج هذه العوامل في رسم خرائط قابلية الحرائق في تحديد المناطق عالية المخاطر، وإبلاغ استراتيجيات إدارة حرائق الغابات الفعالة، ودعم جهود الحفاظ على التنوع البيولوجي في مواجهة زيادة تهديدات الحرائق.
DOI: https://doi.org/10.1186/s42408-024-00254-2
Publication Date: 2024-03-07
Author(s): Keval H. Jodhani et al.
Primary Topic: Fire effects on ecosystems
Overview
The research paper addresses the pressing issue of forest fires in Gujarat, India, by presenting an advanced methodology for assessing wildfire susceptibility. It integrates various environmental variables—such as slope orientation, elevation, normalized difference vegetation index (NDVI), drainage density, precipitation, and temperature—using machine learning techniques, specifically a random forest regression model, to predict land surface temperature (LST). The study employs Google Earth Engine and high-resolution satellite data to analyze changes in the landscape before and after forest fires, resulting in detailed maps that illustrate the geographical distribution of normalized burn ratios and LST forecasts. The findings indicate that densely wooded areas, particularly national parks, are hotspots for severe fires, while open and non-forest regions exhibit lower severity levels.
The conclusion emphasizes the necessity of rapid detection of active flames and the importance of accurate fire severity estimations for effective decision-making in forest fire management. While the study provides valuable insights into the spatial distribution and severity of forest fires, it acknowledges limitations related to the quality of training datasets and the need for further field validation. Future research should explore the underlying causes of forest fires in the region to enhance understanding and management strategies. Overall, the study lays a foundation for evidence-based policies aimed at ecosystem preservation, biodiversity protection, and community safety in the face of climate change-related fire threats.
Introduction
The introduction highlights the critical role of forests as essential environmental resources, covering about one-third of the Earth’s surface and generating approximately two-thirds of the world’s oxygen. Despite their ecological significance, forests are increasingly threatened by climate change, human activities, and natural disasters, leading to severe consequences such as biodiversity loss and economic impacts. In India, 55% of forests are vulnerable to fires, exacerbated by population growth and deforestation, which increase the likelihood of recurrent wildfires. The study emphasizes the need for advanced prediction methods to address the rising frequency and intensity of wildfires, utilizing machine learning techniques, particularly random forest (RF) algorithms, to analyze fire susceptibility.
The research aims to develop a fire susceptibility map for Gujarat, India, using Google Earth Engine (GEE) to integrate key environmental indicators such as land surface temperature (LST) and normalized burn ratio (NBR). The study outlines a systematic approach involving data selection, processing, and mapping to identify zones at risk of forest fires. By employing an ensemble machine learning algorithm, the study seeks to provide insights into the factors influencing fire occurrence and to inform sustainable forest management strategies. The findings are expected to contribute significantly to environmental management and conservation efforts in the region, ultimately enhancing the resilience of forest ecosystems against fire hazards.
Methods
In this study, a comprehensive methodology is employed to analyze landscape characteristics and assess wildfire susceptibility through various environmental variables, including slope orientation, elevation, NDVI (Normalized Difference Vegetation Index), drainage density, precipitation, and temperature. The research begins with a novel formula for deriving slope orientation and utilizes advanced remote sensing techniques to gather elevation data, which aids in understanding terrain variations and drainage patterns. NDVI values are particularly significant for evaluating vegetation health and identifying areas at risk of fire.
The study integrates drainage density, CHIRPS annual precipitation, and temperature into a holistic fire risk assessment model that encompasses meteorological, topographic, and vegetation-related factors. Utilizing Landsat satellite imagery, the normalized burn ratio (NBR) and difference NBR (dNBR) are calculated to quantitatively measure fire impact severity on landscapes. Additionally, a random forest regression model is employed to predict land surface temperature (LST) based on the selected environmental parameters. The resulting maps illustrate the geographical distribution of NBR, dNBR, and LST forecasts, offering valuable insights into spatial patterns and trends related to wildfire susceptibility.
Results
The results of the fire susceptibility assessment indicate the integration of seven critical factors: aspect, elevation, slope, Normalized Difference Vegetation Index (NDVI), drainage density, precipitation, and temperature. These factors were processed using Google Earth Engine (GEE) to derive additional metrics, specifically the pre-normalized burn ratio (preNBR) and post-normalized burn ratio (postNBR), as well as land surface temperature (LST).
These derived variables, along with the initial factors, were utilized as input variables in a random forest model to generate a comprehensive fire susceptibility map. The findings underscore the importance of these environmental and climatic factors in predicting fire susceptibility, highlighting the effectiveness of the random forest approach in this context.
Discussion
In this section, the research discusses the fire susceptibility of Gujarat, India, emphasizing the region’s diverse ecosystems and the increasing risk of wildfires due to climatic conditions. The study utilizes advanced tools such as Google Earth Engine (GEE) and machine learning algorithms, particularly random forest (RF), to analyze various environmental factors influencing fire dynamics. Key datasets, including aspect, elevation, normalized difference vegetation index (NDVI), drainage density, precipitation, and temperature, are integrated to assess their roles in fire risk. For instance, NDVI serves as an indicator of vegetation health, while drainage density provides insights into soil moisture content, both critical for understanding fire susceptibility.
The study employs the normalized burn ratio (NBR) and its difference (dNBR) to evaluate the severity of fire impacts on landscapes, revealing areas of significant vegetation loss. The research findings indicate that regions with higher dNBR values correspond to greater fire damage, particularly in northeastern Gujarat and the Saurashtra coastline. Additionally, land surface temperature (LST) predictions using machine learning enhance the understanding of thermal conditions affecting vegetation flammability. Overall, the integration of these factors into fire susceptibility mapping aids in identifying high-risk areas, informing effective wildfire management strategies, and supporting biodiversity conservation efforts in the face of increasing fire threats.